论文部分内容阅读
欧李果为我国特有的水果,因果实中富含活性钙且易被人体吸收,又被称为“钙果”。果实色泽鲜艳、风味独特、营养丰富,且具有高保健、高抗性的特点,被赞誉为“超级水果”。随着消费者对欧李果内部品质和外观品质的关注度越来越高,为降低检测成本、保障欧李果品质、提高欧李果附加值及产品系列化,探索有效的欧李果品质无损检测方法具有重要意义。本研究以欧李果为研究对象,利用可见/近红外光谱技术、高光谱成像技术及信息融合技术结合化学计量学和深度学习方法对欧李果内部品质、外部缺陷和成熟度进行快速无损检测研究。主要研究内容与结论如下:(1)基于可见/近红外光谱技术建立欧李果光谱信息与SSC、硬度和类黄酮含量的定量预测模型。对比分析6种光谱预处理方法(MSC、S-G(5点)、MSC+S-G(5点)、De-T、MA、MF)对欧李果SSC、硬度和类黄酮含量的PLSR模型预测效果的影响。采用UVE、CARS、RC、SPA、UVE-SPA和UVE-CARS方法提取单一品质指标的特征波长,分别建立线性(PLSR)和非线性(LS-SVM、2D-CNN)预测模型。结果表明,欧李果SSC指标的预测,MSC-UVE-CARS-PLSR模型预测效果最佳,其Rp、RMSEP和RPD 分别为 0.8579、0.9059 和 1.8766;欧李果硬度指标的预测,De-trending-CARS-LS-SVM 模型预测性能最佳,其 Rp、RMSEP 和 RPD 分别为 0.9092、0.9169和2.1485;欧李果类黄酮含量指标的预测,S-G(5点)-SPA-LS-SVM模型预测性能最优,其Rp、RMSEP和RPD分别为0.9102、1.0613和1.8656。为后续开发欧李果内部综合品质指标无损检测软件提供研究基础。(2)探究了基于高光谱成像技术对欧李果完好样本和缺陷样本(锈斑、虫害、裂纹)进行无损检测研究的方法。从光谱信息角度(945~1675nm),对比5种预处理方法(SG、SNV、MSC、BC、De-T)建立的PLS预测模型,原始光谱经De-T方法预处理后建立的PLS模型性能最好。采用RC、SPA和CARS算法提取特征波长,分别建立基于全波段光谱和特征波长的线性(PLS-DA)和非线性(BPNN、LS-SVM)检测模型,并对其完好样本和缺陷样本(锈斑、虫害、裂纹)进行判别。结果表明,基于全波段光谱建立的LS-SVM模型对预测集样本的整体判别准确率最高(88.57%);基于CARS算法提取特征波长建立的LS-SVM模型判别准确率最高,其校正集和预测集的判别准确率分别为86.35%和91.43%。(3)提出了一种端对端的卷积神经网络光谱定性分析模型(1D-CNN),并将其应用于判别欧李果缺陷类别。为验证模型的有效性,比较了该模型与传统最优模型(RC-PLS-DA、CARS-BPNN、CARS-LS-SVM)的判别准确率,得出 1D-CNN 训练模型最优,该模型对校正集和预测集判别准确率分别为96.83%和95.24%。通过混淆矩阵得到该模型对锈斑果、裂纹果、虫害果和完好果的判别准确率分别为91.30%、95.24%、90.48%和100.00%,平均分类准确率为94.26%。(4)基于高光谱成像技术从图像识别的角度分析了欧李果完好样本和缺陷样本的检测效果。基于CARS算法选择的13个特征波段,采用PCA和MNF算法提取特征图像,比较得出PCA算法识别效果较好;提出Imfill算法和Canny边缘检测算子与Regiongrow算法和Bwareaopen算法相结合对欧李果缺陷特征区域进行识别。研究得出,该缺陷识别算法对预测集的整体识别准确率为91.43%。采用GLCM和Tamura两种方法提取欧李果特征图像感兴趣区域的纹理特征参数,利用PCA算法对纹理特征参数进行降维,比较基于特征光谱、纹理特征、光谱信息融合纹理特征建立的LS-SVM模型对欧李果缺陷类别的判别结果。对比可知,基于特征光谱融合纹理特征建立的LS-SVM模型判别效果最好,其校正集和预测集判别准确率分别为96.19%和94.29%。(5)为了研究高光谱成像技术对不同成熟时期欧李果内部品质的预测效果,以不同成熟时期欧李果为研究对象,基于945~1675nm范围内的光谱信息,对比5种预处理方法(S-G、SNV、MSC、BC、De-T)对欧李果SSC、硬度和类黄酮含量的线性PLSR和非线性LS-SVM模型预测效果的影响。比较了 SPA、CARS、UVE、RF、UVE-SPA和UVE-CARS算法对线性MLR和非线性LS-SVM模型预测效果的影响。结果表明,在同一种算法下,非线性LS-SVM模型的预测性能普遍优于线性MLR模型,且模型更加稳定。对欧李果SSC而言,SPA-LS-SVM模型预测结果最优,其Rp、RMSEP和RPD分别为0.8526、0.9703和1.9017;欧李果硬度的最佳预测模型是UVE-CARS-LS-SVM,其Rp、RMSEP和RPD分别为0.7879、1.1205和2.0221;对欧李果类黄酮含量的预测,SPA-LS-SVM模型预测效果最优,其Rp、RMSEP和RPD分别为0.9104、1.9039和2.6101。(6)基于高光谱成像技术对光谱信息和图像特征(纹理+颜色)信息进行数据融合,同时实现对欧李果样本的成熟度和类黄酮含量的检测研究。以特征光谱、图像特征、光谱信息融合图像特征作为定性判别模型(PLS-DA、LS-SVM)和定量预测模型(MLR、LS-SVM)的输入变量,分别建立成熟度判别模型和类黄酮含量预测模型,并采用粒子群算法(PSO)优化最优判别和预测模型。结果表明,采用特征光谱融合图像特征建立的LS-SVM模型其成熟度判别效果和类黄酮含量预测结果均为最好,其中,PSO-LS-SVM模型对预测集成熟度的判别准确率为96.25%,类黄酮含量预测模型的Rp、RMSEP 和 RPD 分别为 0.9389、1.8723、2.6541。(7)研究了高光谱成像技术对不同成熟时期欧李果的定性判别。基于945~1675nm范围内的光谱信息,对比5种预处理方法(SG、SNV、MSC、BC、De-T)建立的PLS-DA和LS-SVM模型对不同成熟时期欧李果的判别结果。经De-T方法预处理后建立的LS-SVM模型判别结果最好(校正集为87.92%、预测集为88.75%),较原始光谱建模判别准确率分别提高了 3.34%和1.25%。分析利用欧李果类黄酮含量和不同成熟时期特征波长结合PLS-DA和LS-SVM模型对不同成熟时期欧李果判别。研究表明,基于不同成熟时期特征波长所建模型判别结果优于欧李果类黄酮含量特征波长的判别结果,且非线性LS-SVM模型更适用于对不同成熟时期欧李果的判别。建立的SPA-LS-SVM模型判别结果最优,所选特征波长个数(19个)占全光谱的8.26%,其校正集和预测集的判别准确率分别为85.00%和87.50%。(8)为实现不同贮藏周期欧李果类黄酮含量无损检测及其可视化,利用高光谱成像技术采集了贮藏期欧李果在895~1700nm的高光谱图像。提取每个样本感兴趣区域的平均光谱信息,并利用蒙特卡罗交叉验证(Monte carlo cross validation,MCCV)算法剔除异常样本(8、61、80和207号)。基于波长范围945~1675nm(230个波长)结合不同的预处理方法,建立欧李果类黄酮含量的PLSR模型,得出BC-PLSR模型的预测结果最优。采用5种有效波长选择算法(x-LW、CARS、UVE、UVE-SPA、UVE-CARS)提取特征波长,分别建立基于全波长和特征波长的线性MLR和非线性LS-SVM预测模型。分析得出,基于UVE-CARS组合算法提取的特征波长(9个波长)建立的LS-SVM模型对类黄酮含量具有最好的预测能力和鲁棒性(Rp=0.9357,RMSEP=2.0107,RPD=2.2809)。最后,利用BC-UVE-CARS-LS-SVM模型预测样本中每个像素点的类黄酮含量,并结合样本的空间信息建立了类黄酮含量的可视化分布图。研究结果表明,高光谱成像技术与化学计量学算法相结合可用于预测贮藏期欧李果类黄酮含量的变化,为贮藏期间欧李果品质的在线实时监测以及开发多光谱成像系统提供了理论依据。